論文の概要: Tools are under-documented: Simple Document Expansion Boosts Tool Retrieval

• arxiv url: http://arxiv.org/abs/2510.22670v1
• Date: Sun, 26 Oct 2025 13:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.317447
• Title: Tools are under-documented: Simple Document Expansion Boosts Tool Retrieval
• Title（参考訳）: ツールはまだ文書化されていない: シンプルなドキュメント拡張ブーストツール検索ツール
• Authors: Xuan Lu, Haohang Huang, Rui Meng, Yaohui Jin, Wenjun Zeng, Xiaoyu Shen,
• Abstract要約: 大規模言語モデル(LLM)は、最近、ツールの使用において強力な能力を示しているが、ツール検索の進歩は、不完全で異質なツールドキュメントによって妨げられている。 我々は、より効果的なツール検索を可能にするために、構造化されたフィールドでツールドキュメントを体系的に強化する新しいベンチマークとフレームワークであるTool-DEを紹介する。 ツール検索に適した2つのモデルを開発する。ツールエンベッド(Tool-Embed)とツールランク(Tool-Rank)である。
• 参考スコア（独自算出の注目度）: 36.93384080571354
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) have recently demonstrated strong capabilities in tool use, yet progress in tool retrieval remains hindered by incomplete and heterogeneous tool documentation. To address this challenge, we introduce Tool-DE, a new benchmark and framework that systematically enriches tool documentation with structured fields to enable more effective tool retrieval, together with two dedicated models, Tool-Embed and Tool-Rank. We design a scalable document expansion pipeline that leverages both open- and closed-source LLMs to generate, validate, and refine enriched tool profiles at low cost, producing large-scale corpora with 50k instances for embedding-based retrievers and 200k for rerankers. On top of this data, we develop two models specifically tailored for tool retrieval: Tool-Embed, a dense retriever, and Tool-Rank, an LLM-based reranker. Extensive experiments on ToolRet and Tool-DE demonstrate that document expansion substantially improves retrieval performance, with Tool-Embed and Tool-Rank achieving new state-of-the-art results on both benchmarks. We further analyze the contribution of individual fields to retrieval effectiveness, as well as the broader impact of document expansion on both training and evaluation. Overall, our findings highlight both the promise and limitations of LLM-driven document expansion, positioning Tool-DE, along with the proposed Tool-Embed and Tool-Rank, as a foundation for future research in tool retrieval.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、最近、ツールの使用において強力な能力を示しているが、ツール検索の進歩は、不完全で異質なツールドキュメントによって妨げられている。 この課題に対処するため、我々は、Tool-EmbedとTool-Rankという2つの専用モデルとともに、より効果的なツール検索を可能にするため、構造化されたフィールドでツールドキュメントを体系的に強化する新しいベンチマークとフレームワークであるTool-DEを紹介した。 我々は,オープンソースのLLMとクローズドソースの両方を活用して,拡張ツールプロファイルを低コストで生成,検証,洗練するスケーラブルな文書拡張パイプラインを設計し,埋め込み型検索用50kインスタンスと再ランカ用200kインスタンスの大規模コーパスを作成した。 このデータに基づいて,ツール検索に適したツールEmbedと,LLMベースのリランカであるTool-Rankの2つのモデルを開発した。 ToolRetとTool-DEに関する大規模な実験は、ドキュメント拡張が検索性能を大幅に改善することを示し、Tool-EmbedとTool-Rankは両方のベンチマークで新しい最先端の結果を達成する。 さらに、個々の分野の検索効率への貢献と、文書拡張がトレーニングと評価の両方に与える影響について分析する。 ツール検索の基盤となるツール-EmbedとTool-Rankとともに,LLM駆動型ドキュメント拡張の約束と限界の両方を強調した。

関連論文リスト

• Retrieval Models Aren't Tool-Savvy: Benchmarking Tool Retrieval for Large Language Models [47.145844910856134]
  ツール学習は、多種多様なツールで大きな言語モデルを強化し、実践的なタスクを解決するエージェントとして機能することを目的としている。 ツール利用LLMのコンテキスト長が限られているため、大きなツールセットから有用なツールを選択するために情報検索(IR)モデルを採用することが重要な初期ステップである。 ほとんどのツール使用ベンチマークは、実際のシナリオとは程遠いタスクごとに、小さなツールセットを手動で注釈付けすることで、このステップを単純化している。 多様な検索タスク7.6kと43kツールのコーパスからなる異種ツール検索ベンチマークであるToolRetを提案する。
  論文  参考訳（メタデータ） (2025-03-03T17:37:16Z)
• Toolshed: Scale Tool-Equipped Agents with Advanced RAG-Tool Fusion and Tool Knowledge Bases [0.0]
  強化されたツール表現を格納するように設計されたツール知識ベース(ベクトルデータベース)であるToolshed Knowledge Basesを紹介する。 RAG-Tool Fusion(Advanced RAG-Tool Fusion)も提案する。 このアプローチでは,ToolEシングルツール,ToolEマルチツール,Seal-Toolsベンチマークデータセットの46%,56%,絶対的な改善を実現しています。
  論文  参考訳（メタデータ） (2024-10-18T16:44:22Z)
• From Exploration to Mastery: Enabling LLMs to Master Tools via Self-Driven Interactions [60.733557487886635]
  本稿では,大規模言語モデルと外部ツールとの包括的ギャップを埋めることに焦点を当てる。 動的精錬ツールの文書化を目的とした新しいフレームワーク DRAFT を提案する。 この方法論は、3つの異なる学習フェーズからなる革新的な試行錯誤アプローチに基づいている。
  論文  参考訳（メタデータ） (2024-10-10T17:58:44Z)
• Enhancing Tool Retrieval with Iterative Feedback from Large Language Models [9.588592185027455]
  大規模言語モデル(LLM)は、コンテキスト内学習や微調整を通じて、ある程度のツールを効果的に扱うことができる。 現実のシナリオでは、ツールの数は一般的に広範囲で不規則に更新され、専用のツール検索コンポーネントの必要性を強調している。 本稿では,大規模言語モデルからの反復的なフィードバックでツール検索を強化することを提案する。
  論文  参考訳（メタデータ） (2024-06-25T11:12:01Z)
• Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
  現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。 既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。 我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
  論文  参考訳（メタデータ） (2024-05-25T06:41:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。